Combining shrinkage and sparsity in conjugate vector autoregressive models
共轭向量自回归模型中收缩与稀疏性的结合AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究高维 VAR 的系数与协方差估计，并进行美国数据预测练习，直接对应时间序列与预测方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
共轭向量自回归模型中收缩与稀疏性的结合
- 研究问题
- 高维共轭贝叶斯 VAR 便于快速推断，却要求各方程使用相同解释变量；如何保留计算便利，同时让不同方程选择各自的变量并减少估计不确定性？
- 方法与思路
- 作者对共轭贝叶斯 VAR 的后验估计进行后处理，实现逐方程协变量选择；在系数与误差方差协方差矩阵中结合收缩和稀疏化，并开展模拟及美国数据预测应用。
- 材料陈述的贡献
- 摘要称，相比仅用收缩的方法，所提方案在高维下大幅减少估计不确定性，同时维持计算可行性；并通过合成数据及美国预测练习展示其应用。
- 阅读关注点
- 阅读时应核对后处理的选择规则、协方差稀疏化如何保持矩阵有效性，以及不确定性的度量、模拟比较设置和预测评估的样本划分。
- 阅读边界
- 摘要未说明后处理是否保留完整后验解释、具体计算成本及预测增益数值；不确定性减少的陈述不能单独证明区间覆盖或所有场景的预测改善。
原文摘要
Summary Conjugate priors allow for fast inference in large dimensional vector autoregressive (VAR) models. But at the same time, they introduce the restriction that each equation features the same set of explanatory variables. This paper proposes a straightforward means of postprocessing posterior estimates of a conjugate Bayesian VAR to effectively perform equation‐specific covariate selection. Compared with existing techniques using shrinkage alone, our approach combines shrinkage and sparsity in both the VAR coefficients and the error variance–covariance matrices, greatly reducing estimation uncertainty in large dimensions while maintaining computational tractability. We illustrate our approach by means of two applications. The first application uses synthetic data to investigate the properties of the model across different data‐generating processes, and the second application analyzes the predictive gains from sparsification in a forecasting exercise for U.S. data.